基于微观连接车驾驶行为的宏观-微观跨注意力 Transformer 用于交通速度预测
机器学习
2026-02-20 v1
摘要
精准的速度预测对于主动交通管理至关重要，以提升交通效率和安全性。现有研究主要依赖聚合的宏观交通流数据来预测未来交通趋势，而道路交通动力学也受到个体、微观人类驾驶行为的影响。近期的连接车（CV）数据提供了丰富的驾驶行为特征，为将这些行为洞察纳入速度预测提供了新机会。为此，我们提出了宏观-微观跨注意力 Transformer（MMCAformer），将基于 CV 数据的微观驾驶行为特征与宏观交通特征集成用于速度预测。具体而言，MMCAformer 使用自注意力机制学习宏观交通流中的内在依赖关系，并使用跨注意力机制捕捉宏观交通状态与微观驾驶行为之间的时空相互作用。MMCAformer 采用学生 t 分布负对数似然损失进行优化，以提供点速度预测并估计不确定性。在四条佛罗里达州高速公路上的实验表明，所提出的 MMCAformer 在基线方法中表现优异。与仅使用宏观特征相比，引入微观驾驶行为特征不仅提升了预测准确性（例如，整体 RMSE、MAE 和 MAPE 分别降低 9.0%、6.9% 和 10.2%），还缩小了模型预测不确定性（例如，平均预测区间在四条高速公路上缩小 10.1% 至 24.0%）。结果表明，紧急制动和加速频率是最具影响力的特征。这种改进在拥堵、低速度交通条件下尤为显著。
引用
@article{arxiv.2602.16730,
title = {MMCAformer: Macro-Micro Cross-Attention Transformer for Traffic Speed Prediction with Microscopic Connected Vehicle Driving Behavior},
author = {Lei Han and Mohamed Abdel-Aty and Younggun Kim and Yang-Jun Joo and Zubayer Islam},
journal= {arXiv preprint arXiv:2602.16730},
year = {2026}
}